多尺度功能增强的门网用于心房的检测和检测.
Xidong Wu1, Mingke Yan1, Renqiao Wang1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, 110169, PR China.
Computer methods and programs in biomedicine
|January 23, 2025
概括
一个新的深度学习网络,MFEG Net,有效地诊断心房动 (AF) 从心电图,即使有噪音. 这一进步为自动AF检测提供了一个强大的解决方案,改进了现有的方法.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 心脏病学 心脏病学
背景情况:
- 心房动 (AF) 是中风和心力衰竭的主要原因.
- 目前使用心电图进行AF诊断的深度学习方法受到噪音和冗余特征的限制.
研究的目的:
- 提出一个新的多尺度功能增强门网 (MFEG网) 改进AF诊断.
- 为了提高AF检测在杂的心电图信号中的稳定性和准确性.
主要方法:
- 开发了MFEG Net集成多尺度卷积,自适应特征增强 (FE) 和动态时间处理.
- FE模块使用软值,扩展卷积和SE模块来改进功能.
- 动态时间模块捕捉了对AF识别至关重要的时间依赖模式.
主要成果:
- 在2017年PhysioNet挑战数据集上,MFEG Net实现了93.0%的准确性和0.883 F1分.
- 对噪声干扰表现出了显著的弹性.
- 在独立的CPSC2018和AFDB数据集上实现了高精度 (0.908,0.938).
结论:
- MFEG Net表现出卓越的性能和稳定性,用于自动检测心房从噪声的心电图.
- 这种深度学习方法比最先进的方法取得了重大进展.
- 它有可能减少手动AF诊断的临床负担.
